論文の概要: Cross-Domain Label-Adaptive Stance Detection

• arxiv url: http://arxiv.org/abs/2104.07467v1
• Date: Thu, 15 Apr 2021 14:04:29 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-16 23:03:35.821816
• Title: Cross-Domain Label-Adaptive Stance Detection
• Title（参考訳）: クロスドメインラベル適応姿勢検出
• Authors: Momchil Hardalov, Arnav Arora, Preslav Nakov, Isabelle Augenstein
• Abstract要約: 距離検出は、ターゲットに対する作家の視点の分類に関するものである。 本稿では,16のスタンス検出データセットの詳細な分析を行う。 ユーザ定義ラベルの領域外予測のためのエンドツーエンドの非監視フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 32.800766653254634
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stance detection concerns the classification of a writer's viewpoint towards a target. There are different task variants, e.g., stance of a tweet vs. a full article, or stance with respect to a claim vs. an (implicit) topic. Moreover, task definitions vary, which includes the label inventory, the data collection, and the annotation protocol. All these aspects hinder cross-domain studies, as they require changes to standard domain adaptation approaches. In this paper, we perform an in-depth analysis of 16 stance detection datasets, and we explore the possibility for cross-domain learning from them. Moreover, we propose an end-to-end unsupervised framework for out-of-domain prediction of unseen, user-defined labels. In particular, we combine domain adaptation techniques such as mixture of experts and domain-adversarial training with label embeddings, and we demonstrate sizable performance gains over strong baselines -- both (i) in-domain, i.e., for seen targets, and (ii) out-of-domain, i.e., for unseen targets. Finally, we perform an exhaustive analysis of the cross-domain results, and we highlight the important factors influencing the model performance.
• Abstract（参考訳）: スタンス検出は、著者の目標に対する視点の分類に関するものである。 例えば、ツイートのスタンスと記事全体に対するスタンス、クレームと(単純)トピックに対するスタンスなどだ。 さらに、ラベルのインベントリ、データ収集、アノテーションプロトコルを含むタスク定義も様々です。 これらの側面は、標準のドメイン適応アプローチの変更を必要とするため、ドメイン横断の研究を妨げる。 本稿では,16の姿勢検出データセットの詳細な分析を行い,それらからクロスドメイン学習の可能性について検討する。 さらに,ユーザ定義ラベルに対するドメイン外予測のためのエンド・ツー・エンドの教師なしフレームワークを提案する。 特に、専門家の混在やドメイン・アドバイザリのトレーニングとラベルの埋め込みといったドメイン適応技術を組み合わせて、(i)ドメイン内、すなわち、(ii)ドメイン外、すなわち目に見えないターゲットに対して、強力なベースラインよりも大きなパフォーマンス向上を示す。 最後に、クロスドメインの結果を徹底的に分析し、モデル性能に影響を与える重要な要因を強調する。

関連論文リスト

• Bidirectional Generative Framework for Cross-domain Aspect-based Sentiment Analysis [68.742820522137]
  クロスドメインアスペクトベースの感情分析(ABSA)は、ソースドメインから知識を伝達することで、ターゲットドメイン上で様々なきめ細かい感情分析タスクを実行することを目的としている。 本稿では,多様なドメイン間ABSAタスクに対処するための統合双方向生成フレームワークを提案する。 我々のフレームワークは、テキストからラベルまでの方向とラベルからテキストへの方向の両方で生成モデルを訓練する。
  論文  参考訳（メタデータ） (2023-05-16T15:02:23Z)
• Syntax-Guided Domain Adaptation for Aspect-based Sentiment Analysis [23.883810236153757]
  ドメイン適応は、ドメイン間で共通の知識を伝達することによって、新しいドメインにおけるデータ不足問題を緩和するための一般的なソリューションである。 より効果的なクロスドメインABSAのための、SDAMと呼ばれる新しい構文誘導型ドメイン適応モデルを提案する。 我々のモデルは、クロスドメインEnd2EndABSAタスクのMicro-F1メトリックに関して、最先端のベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2022-11-10T10:09:33Z)
• Mere Contrastive Learning for Cross-Domain Sentiment Analysis [23.350121129347556]
  クロスドメイン感情分析は、ソースドメインでトレーニングされたモデルを使用して、ターゲットドメイン内のテキストの感情を予測することを目的としている。 従来の研究はほとんどがクロスエントロピーに基づく手法であり、不安定性や一般化の低さに悩まされていた。 我々は,同じクラスからの文表現を閉じるように,バッチ内の負のサンプルを付加した改良されたコントラスト目的を提案する。
  論文  参考訳（メタデータ） (2022-08-18T07:25:55Z)
• Joint Distribution Alignment via Adversarial Learning for Domain Adaptive Object Detection [11.262560426527818]
  教師なしのドメイン適応オブジェクト検出は、リッチラベル付きデータで訓練された元のソースドメインから、ラベルなしデータで新しいターゲットドメインに適応することを目的としている。 近年、主流のアプローチは、敵対的学習を通じてこのタスクを実行するが、それでも2つの制限に悩まされている。 上記の課題に対処するために,JADF(Joint Adaptive Detection framework)を提案する。
  論文  参考訳（メタデータ） (2021-09-19T00:27:08Z)
• Domain Adaptation for Sentiment Analysis Using Increased Intraclass Separation [31.410122245232373]
  ドメイン間感情分析手法は注目されている。 埋め込み空間における異なるクラス間の大きなマージンを誘導する新しい領域適応法を提案する。 この埋め込み空間は、ドメイン間のデータ分散をマッチングすることによって、ドメインに依存しないように訓練される。
  論文  参考訳（メタデータ） (2021-07-04T11:39:12Z)
• Cross-domain Contrastive Learning for Unsupervised Domain Adaptation [108.63914324182984]
  教師なしドメイン適応(Unsupervised domain adapt、UDA)は、完全にラベル付けされたソースドメインから異なるラベル付けされていないターゲットドメインに学習した知識を転送することを目的としている。 対照的な自己教師型学習に基づいて、トレーニングとテストセット間のドメインの相違を低減するために、機能を整列させます。
  論文  参考訳（メタデータ） (2021-06-10T06:32:30Z)
• Adversarial Dual Distinct Classifiers for Unsupervised Domain Adaptation [67.83872616307008]
  Unversarial Domain adaptation (UDA)は、異なる分散されたラベル付きソースドメインから学習モデルを構築することで、ラベルなしのターゲットサンプルを認識しようとする。 本稿では,タスク固有のカテゴリ境界に一致するソースとターゲット領域のデータ分布を同時に整合させる新しいアドリラルデュアル・ディスタンス・ネットワーク(AD$2$CN)を提案する。 具体的には、ドメイン不変の特徴発生器を利用して、識別的クロスドメインアライメントのガイダンスにより、ソースとターゲットデータを潜在共通空間に埋め込む。
  論文  参考訳（メタデータ） (2020-08-27T01:29:10Z)
• Cross-domain Detection via Graph-induced Prototype Alignment [114.8952035552862]
  カテゴリレベルのドメインアライメントを求めるグラフ誘発プロトタイプアライメント(GPA)フレームワークを提案する。 さらに,クラス不均衡がドメイン適応に与える影響を軽減するために,クラス重み付きコントラスト損失を設計する。 我々のアプローチは、既存の手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2020-03-28T17:46:55Z)
• Differential Treatment for Stuff and Things: A Simple Unsupervised Domain Adaptation Method for Semantic Segmentation [105.96860932833759]
  最先端のアプローチは、セマンティックレベルのアライメントの実行がドメインシフトの問題に取り組むのに役立つことを証明している。 我々は,物事領域や物事に対する異なる戦略による意味レベルのアライメントを改善することを提案する。 提案手法に加えて,提案手法は,ソースとターゲットドメイン間の最も類似した機能やインスタンス機能を最小化することにより,この問題の緩和に有効であることを示す。
  論文  参考訳（メタデータ） (2020-03-18T04:43:25Z)
• Improving Domain-Adapted Sentiment Classification by Deep Adversarial Mutual Learning [51.742040588834996]
  ドメイン適応型感情分類(ドメイン適応型感情分類、Domain-adapted sentiment classification)は、ラベル付きソースドメインでトレーニングを行い、ラベルなしターゲットドメイン上で文書レベルの感情を適切に推測する。 本稿では,2つの特徴抽出器群,ドメイン識別器群,感情分類器群,ラベル探索器群を包含する新たな相互学習手法を提案する。
  論文  参考訳（メタデータ） (2020-02-01T01:22:44Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。